人工智能的迅速发展推动了技术进步,使各行各业都发生了翻天覆地的变化,同样对金融投资领域产生了深远影响。在投资实务中,量化投资和算法交易已经得到银行、保险、券商等顶级机构的青睐,成为常态化的操作模式。2013年成立的“华泰柏瑞量化增强混合A”基金到2017年底已实现170%的投资收益。量化投资以其纪律性、系统性、及时性和准确性等优势正受到学界和实操界的广泛关注。本文将要讨论的趋势择时策略则是量化投资策略的重要组成部分。隐马尔科夫模型最早用于语音识别领域,其理论基础是马尔科夫随机过程,是一连串随机事件的动态关系的定量描述。该理论模型所预测的目标为随机改变的动态体系,其预测是根据状态之间的转移概率来推测系统未来的发展。针对此类模型而言,我国金融投资行业的有关研究重点集中在时间序列分析,还没有与量化择时策略结合的研究,此外,相关文献侧重于对模型算法的研究,忽视了将模型与策略相结合所产生的巨大价值。因此,本文试图研究量化趋势择时策略和隐马尔科夫模型,并且将二者结合,构建基于隐马尔科夫模型的量化趋势择时策略。首先,本文介绍量化投资的相关概念,简要梳理量化投资的发展脉络;解释量化择时策略的概念和特征,并对现有的择时策略进行分类。随后,详细阐述隐马尔科夫模型的概念和理论基础;解释了该模型有待于解决的三个基本问题以及其对应的算法。最后,将模型与策略结合,构建基于隐马尔科夫模型的量化择时策略系统。同时,将一系列指数和商品期货的交易数据带入模型进行训练和模拟,以验证策略的有效性。本文将广泛运用于物理和生物学等其他自然科学的隐马尔科夫模型拓展到金融研究领域,隐马尔科夫模型在其他领域均表现出其极佳的模式识别能力,在量化投资的大背景下,将该模型引入金融交易数据的时间序列分析具有极强的现实意义。策略结果显示模型识别出了上涨或下跌这些很难预测的市场变化,通过隐马尔科夫模型的预测能力的分析以及收益情况来看,策略表现优异,本文所构建的隐马尔科夫模型量化择时策略是有效的。